Místní klienti MCP jsou tak podceňovaní! Všichni používají Cursor, Claude Desktop a ChatGPT jako hostitele MCP, ale pokud vytváříte vlastní aplikace, které podporují MCP, potřebujete vlastní klienty. Zde je problém: Psaní klientů MCP od nuly je bolestivé a časově náročné. Dnes vám ukážu, jak vytvořit vlastní klienty MCP během několika minut, nikoli hodin. Abych to dokázal, vytvořil jsem plně soukromého, dokonalého asistenta s umělou inteligencí, který dokáže: - Připojuje se k libovolnému MCP serveru - Automatizuje používání prohlížeče - Bezproblémově škrábe webová data - Ovládá terminál mého počítače - Zpracovává obrázky, zvuk a dokumenty - Vše si zapamatuje díky znalostním grafům Tajemství? mcp-use — 100% open-source framework, díky kterému je integrace MCP triviální. Vytváření vlastních agentů MCP probíhá ve 3 krocích: 1. Definujte konfiguraci serveru MCP 2. Připojte libovolný LLM ke klientovi MCP 3. Nasaďte svého agenta A je to. Žádné složité nastavení, žádné proprietární závislosti. A co je na tom nejlepší? Vše probíhá lokálně. Vaše data zůstávají soukromá a vy máte pod kontrolou celou sadu. Úplný rozklad s kódem... 👇

Pojďme si to rozebrat tak, že prozkoumáme každou integraci a pochopíme, jak funguje, pomocí kódu a ilustrací:

1️⃣ Stagehand MCP server Začneme tím, že našemu agentovi umožníme ovládat prohlížeč, procházet webové stránky, pořizovat snímky obrazovky atd. pomocí @Stagehanddev MCP. Níže jsem položil dotaz na počasí a agent na něj autonomně odpověděl zahájením relace prohlížeče. Zkontrolujte toto👇

2️⃣ Server Firecrawl MCP Dále přidáváme do Agenta schopnosti škrábání, plazení a hloubkového výzkumu. mcp-use podporuje připojení k více MCP serverům současně. Takže přidáme @firecrawl_dev MCP config do existující konfigurace a interagujeme s ní. Zkontrolujte toto👇

3️⃣ Graphiti MCP server Náš agent je zatím bez paměti. Po každém úkolu na vše zapomene. @Zep_ai Graphiti je MCP server, který poskytuje našemu agentovi vrstvu paměti v reálném čase založenou na grafech. Tento graf si můžete také vizualizovat v Neo4j. Zkontrolujte toto👇

4️⃣ Server Ragie MCP Dále poskytujeme agentovi multimodální funkce RAG pro zpracování textů, obrázků, videí, audia, dokumentů atd. Je poháněn @ragieai MCP. Níže jsem ho požádal, aby uvedl projekty v mém MCP PDF (složitý dokument), a odpověděl perfektně. Zkontrolujte toto👇

5️⃣ Server GitIngest MCP Dále, abychom vyhověli potřebám vývojářů, umožňujeme našemu agentovi chatovat s libovolným úložištěm GitHub. Níže jsem se zeptal na technologický stack mého toku psaní knih poskytnutím odkazu na repo. Extrahoval správné informace pomocí serveru MCP. Zkontrolujte toto👇

6️⃣ Terminálový MCP server Nakonec dáme našemu terminálu Agent ovládací prvek, aby v případě potřeby prováděl příkazy pro vývojáře. Poskytuje nástroje jako: - čtení/zápis/vyhledávání/přesouvání souborů - provést příkaz - vytvořit/vypsat adresář atd. Zkontrolujte toto👇

Nakonec to zabalíme do rozhraní Streamlit, kde můžeme dynamicky měnit konfiguraci MCP. To nám dává 100% lokálního dokonalého asistenta AI, který může procházet, škrábat, mít paměť, načítat z multimodální znalostní báze a mnoho dalšího. Podívejte se na tuto ukázku👇

To je konec! Pokud vám to připadalo užitečné, sdílejte to znovu se svou sítí. Najdi mě → @akshay_pachaar ✔️ Pro praktické postřehy a návody na LLM, AI Agenty a strojové učení!